CN116701409B - 一种用于环境智能在线检测的传感器数据存储方法 - Google Patents
一种用于环境智能在线检测的传感器数据存储方法 Download PDFInfo
- Publication number
- CN116701409B CN116701409B CN202310979693.2A CN202310979693A CN116701409B CN 116701409 B CN116701409 B CN 116701409B CN 202310979693 A CN202310979693 A CN 202310979693A CN 116701409 B CN116701409 B CN 116701409B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- influence
- forest
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000013500 data storage Methods 0.000 title claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 162
- 230000008859 change Effects 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D9/00—Recording measured values
- G01D9/28—Producing one or more recordings, each recording being of the values of two or more different variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Fire Alarms (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于环境智能在线检测的传感器数据存储方法，包括：利用传感器采集环境数据；获取环境数据对森林火灾的影响程度权重；获取环境数据对森林火灾的第一影响程度；根据不同位置传感器的环境数据得到传感器记录环境数据和森林总体环境数据的相似程度；根据传感器的环境数据的变化速率得到传感器记录环境数据对森林火灾的影响参数；获取传感器记录环境数据对森林火灾的第二影响程度；获取传感器记录环境数据的总影响程度，根据传感器记录环境数据的总影响程度对传感器记录的环境数据进行分类存储。本发明自适应调整火灾阈值，较固定阈值判断更能贴合实际的环境属性，准确的区分高风险和低风险数据。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于环境智能在线检测的传感器数据存储方法。
背景技术
环境与森林火灾的关系非常密切。森林中各种可燃物的着火点取决于气象条件的变化情况，如湿度的大小、气温的高低、风力的强弱等。气象数据通常包含大量的数字和文本信息，通过将环境数据按照高风险数据和低风险数据分类存储，可以更容易地确定哪些区域或环境更容易发生火灾，从而有针对性地进行风险管理和防火措施的制定。
传统的数据分类方法是根据不同环境影响因素对于火灾影响程度设置固定阈值来判断火灾风险，将高风险数据与低风险数据分类存储。但以固定的某种环境影响因素判断森林火灾风险是不准确的，森林火灾的发生受到多种因素的影响，包括湿度，风力，气温等影响因素，且固定环境影响因素阈值可能无法考虑到特定地区的变化情况。森林火灾风险受到多个因素的影响，包括气候条件、植被类型、地形等。这些因素在不同地区可能存在差异，固定阈值可能无法适应这些变化。
发明内容
本发明提供一种用于环境智能在线检测的传感器数据存储方法，以解决现有的问题。
本发明的一种用于环境智能在线检测的传感器数据存储方法采用如下技术方案：
本发明一个实施例提供了一种用于环境智能在线检测的传感器数据存储方法，该方法包括以下步骤：
获取每种环境数据，所述每种环境数据包括湿度数据，气温数据和风速数据；
获取每种环境数据在不同的取值范围和与其对应的影响参数；根据每种环境数据对应的最大影响参数得到每种环境数据对森林火灾的影响程度的权重；
根据每种环境数据在不同的取值范围和与其对应的影响参数得到每种环境数据对森林火灾的第一影响程度；
获取每个采集时刻下的森林总体每种环境数据；根据不同位置传感器的每种环境数据和每个采集时刻下的森林总体每种环境数据得到每个传感器记录每种环境数据和森林总体每种环境数据的相似程度；根据每个传感器的每种环境数据的变化速率得到每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子；根据每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子得到每个传感器记录每种环境数据对森林火灾的影响参数；
根据每种环境数据对森林火灾的第一影响程度、每个传感器记录每种环境数据和森林总体每种环境数据的相似程度和每个传感器记录每种环境数据对森林火灾的影响参数得到每个传感器记录每种环境数据对森林火灾的第二影响程度；根据每个传感器记录每种环境数据对森林火灾的第二影响程度结合每种环境数据对森林火灾的影响程度的权重得到每个传感器记录每种环境数据的总影响程度；根据每个传感器记录每种环境数据的总影响程度对传感器记录的环境数据进行分类存储。
优选的，所述根据每种环境数据对应的最大影响参数得到每种环境数据对森林火灾的影响程度的权重，包括的具体步骤如下：
温度数据和湿度数据对于森林火灾的最大影响参数为；风速数据对于森林火灾的最大影响参数为/>；则三种环境数据对森林火灾的影响程度的权重为：
；
式中，为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值。
优选的，所述根据每种环境数据在不同的取值范围和与其对应的影响参数得到每种环境数据对森林火灾的第一影响程度，包括的具体步骤如下：
温度数据对森林火灾的影响程度为：
；
式中，表示任意时刻下的温度数据；/>表示任意时刻下温度数据对森林火灾的影响程度；
湿度数据对森林火灾的影响程度为：
；
式中，表示任意时刻下的湿度数据；/>表示任意时刻下湿度数据对森林火灾的影响程度；
风速数据对森林火灾的影响程度为：
；
式中，表示任意时刻下的风速数据；/>表示任意时刻下风速数据对森林火灾的影响程度。
优选的，所述获取每个采集时刻下的森林总体每种环境数据，包括的具体步骤如下：
准备组温度传感器，放置于森林不同区域，并保证一天均等记录/>个时刻下的温度数据；则采集/>组温度传感器每个采集时刻的温度数据的均值，作为每个采集时刻下的森林总体温度数据，其第/>个采集时刻下的森林总体温度数据为：所有的温度传感器在第/>个采集时刻记录的温度数据的均值；同理，得到每个采集时刻下的森林总体温度数据。
优选的，所述根据不同位置传感器的每种环境数据和每个采集时刻下的森林总体每种环境数据得到每个传感器记录每种环境数据和森林总体每种环境数据的相似程度，包括的具体步骤如下：
第个传感器记录温度数据和森林总体温度数据的相似程度的计算表达式为：
；
式中，表示第/>个传感器记录温度数据和森林总体温度数据的相似程度；表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个采集时刻下的森林总体温度数据；/>表示预设参数；
同理，获得每个传感器记录温度数据和森林总体温度数据的相似程度。
优选的，所述根据每个传感器的每种环境数据的变化速率得到每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子，包括的具体步骤如下：
第个传感器记录温度数据的离散程度的计算表达式为：
；
式中，表示第/>个传感器记录温度数据的离散程度；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个温度传感器所有采集时刻记录的温度数据的均值；/>表示预设参数；
第个传感器记录温度数据的差异因子的计算表达式为：
；
式中，表示第/>个传感器记录温度数据的差异因子；/>表示第/>个采集时刻下的森林总体温度数据；
对第个传感器记录温度数据的差异因子进行线性归一化将其转化至[0,1]区间，得到归一化后的第/>个传感器记录温度数据的差异因子/>；
将第个温度传感器在每个采集时刻记录的温度数据和第/>个温度传感器记录的温度数据均值的差值绝对值的最大值，作为第/>个传感器记录温度数据对森林火灾的影响因子，其计算表达式为：
；
式中，表示第/>个传感器记录温度数据对森林火灾的影响因子；/>表示第个温度传感器在第/>个采集时刻记录的温度数据，其中/>的取值范围为/>；max表示取最大值；
将第个传感器记录温度数据对森林火灾的影响因子线性归一化得到归一化后的传感器记录温度数据对森林火灾的影响因子/>；
同理，得到每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子。
优选的，所述根据每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子得到每个传感器记录每种环境数据对森林火灾的影响参数，包括的具体步骤如下：
根据第个传感器记录温度数据的离散程度、归一化后的第/>个传感器记录温度数据的差异因子和归一化后的第/>个传感器记录温度数据对森林火灾的影响因子得到第/>个传感器记录温度数据对森林火灾的影响参数/>；同理，得到每个传感器记录每种环境数据对森林火灾的影响参数。
优选的，所述根据每种环境数据对森林火灾的第一影响程度、每个传感器记录每种环境数据和森林总体每种环境数据的相似程度和每个传感器记录每种环境数据对森林火灾的影响参数得到每个传感器记录每种环境数据对森林火灾的第二影响程度，包括的具体步骤如下：
第个传感器记录温度数据对森林火灾的第二影响程度的计算表达式为：
；
式中，表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器所有采集时刻记录温度数据对森林火灾的第一影响程度的均值；表示第/>个传感器记录温度数据和森林总体温度数据的相似程度；/>是第/>个传感器记录温度数据对森林火灾的影响参数；
同理，得到每个传感器记录每种环境数据对森林火灾的第二影响程度。
优选的，所述根据每个传感器记录每种环境数据对森林火灾的第二影响程度结合每种环境数据对森林火灾的影响程度的权重得到每个传感器记录每种环境数据的总影响程度，包括的具体步骤如下：
第个传感器记录每种环境数据的总影响程度计算表达式为：
；
式中，第/>个传感器记录每种环境数据的总影响程度；/>表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器记录湿度数据对森林火灾的第二影响程度；/>第/>个传感器记录风速数据对森林火灾的第二影响程度；/>为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值；
同理，获得每个传感器记录每种环境数据的总影响程度。
优选的，所述根据每个传感器记录每种环境数据的总影响程度对传感器记录的环境数据进行分类存储，包括的具体步骤如下：
预设阈值参数，对于任意一个传感器记录每种环境数据的总影响程度进行阈值判断，若该传感器记录每种环境数据的总影响程度大于等于阈值参数/>，则该传感器记录每种环境数据为高风险数据类别；反之，则该传感器记录每种环境数据为低风险数据类别；由此将所有传感器记录每种环境数据进行分类，得到分类后的每种环境数据，将分类后的每种环境数据分别存储。
本发明的技术方案的有益效果是：针对固定环境影响因素阈值可能无法考虑到特定地区的变化情况；因环境因素在不同地区可能存在差异，固定阈值可能无法适应这些变化的问题，本发明根据三种气象数据对森林火灾的影响程度得到该时刻环境对森林火灾的总影响程度，通过三种气象数据的预警阈值得到总阈值并与每个时刻的气象数据进行对比，能更综合的判断森林火灾风险。根据环境数据的稳定情况和波动范围调整气象数据的阈值，综合判断森林火灾风险，自适应调整火灾阈值，较固定阈值判断更能贴合实际的环境属性，准确的区分高风险和低风险数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种用于环境智能在线检测的传感器数据存储方法的步骤流程图；
图2为本发明的气温数据的取值区间和影响参数的示意图；
图3为本发明的湿度数据的取值区间和影响参数的示意图；
图4为本发明的风速数据的取值区间和影响参数的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于环境智能在线检测的传感器数据存储方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于环境智能在线检测的传感器数据存储方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于环境智能在线检测的传感器数据存储方法的步骤流程图，该方法包括以下步骤：
步骤S001：利用传感器采集环境中的湿度数据，气温数据和风速数据。
需要说明的是，森林火灾环境数据采集是指通过各种环境测量仪器和设备，对森林火灾发生的气象条件进行实时监测和记录，以便及时预警和应对。这些气象数据包括温度、湿度、风速、风向、大气压力等指标，并且可以通过无线传输技术进行实时传输和处理。
预设一个参数，其中本实施例以/>例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，本实施例主要针对气温，湿度和风速的采集和处理，所以需要准备气温，湿度和风速传感器。通常对环境数据的采集为十分钟一次，一天采集组数据。采集到的数据可以通过无线传输或有线传输到数据中心进行处理和分析。
至此，获取环境中的湿度数据，气温数据和风速数据，记为三种环境数据。
步骤S002：获取每种环境数据在不同的取值范围和与其对应的影响参数；根据每种环境数据对应的最大影响参数得到每种环境数据对森林火灾的影响程度的权重。
需要说明的是，气温，湿度和风速三种环境数据取值范围不同，数据本身对于森林火灾的影响程度也不相同。气温，日最高气温往往是该地区着火与否的主要指标；林火发生最多的时间，多半是白天气温最高的时段。风速，风对森林火灾的发生、发展起两个作用，一是使未燃烧的可燃物蒸发变干，更加易燃；二是可燃物燃烧后，通过风带来新鲜氧气，使火燃烧的更旺；相对湿度，相对湿度越小，可燃物含水率也随之减少。
具体的，获取三种环境数据的取值范围和对森林火灾的影响参数的具体方法如下：
获取气温数据的取值范围和对森林火灾的影响参数，如图2所示；温度越高，发生火灾的概率越高；温度大于25.1℃时影响参数按照20计算。
获取湿度数据的取值范围和对森林火灾的影响参数，如图3所示；空气越干燥，湿度越低，发生火灾的概率越高，当湿度低于30％时，火灾影响参数按照20计算。
获取风速数据的取值范围和对森林火灾的影响参数，如图4所示；风速越高，发生火灾的概率越高，当风速大于20.7m/s时影响参数按照40计算。
进一步需要说明的是，通过三种环境数据的取值范围和对森林火灾的影响参数的图，可以看出三种环境数据的取值范围和影响参数是不同的，所以对于森林火灾的影响权重也不相同，所以后续计算总影响程度需要给每种数据增加权重。可以根据数据的影响参数范围给三种环境数据增加权重。
预设三个参数，/>，/>，其中本实施例以/>，/>，/>为例进行叙述，本实施例不进行具体限定，其中/>，/>，/>根据具体实际情况而定。
具体的，据上述所得，温度数据和湿度数据对于森林火灾的最大影响参数为，/>，即温度数据和湿度数据超过表中所给的范围区间，影响参数不变；而风速数据对于森林火灾的最大影响参数为/>，说明风速数据较温度数据和湿度数据来说是判断森林火灾是否可能发生的重要因素，而从最大影响参数的数值上来说，风速数据对于森林火灾的影响程度是温度数据或湿度数据的两倍，根据三种环境数据的最大影响参数范围的比值可以得到三种环境数据的权值比例为：
；
式中，为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值；最大影响参数/>，/>，/>为预设参数。
至此，获取三种环境数据对森林火灾的影响程度的权重。
步骤S003：根据每种环境数据在不同的取值范围和与其对应的影响参数得到每种环境数据对森林火灾的第一影响程度。
需要说明的是，图2中对于气温数据的取值范围每次增加5，对森林火灾的影响参数每次增加4，直到气温数据值大于25时影响参数达到最大值，后续不随着温度数据的增加而增加；当温度数据小于5或温度数据大于25时，对森林火灾的影响程度不变，为一个定值，温度数据在5-25℃时逐级递增，利用归一化将温度数据变化与对森林火灾的影响程度变得平滑，可以得到每个温度数据下的对森林火灾的影响程度，且森林火灾的影响程度的最大值为1。
具体的，温度数据对森林火灾的影响程度为：
；
式中，表示任意时刻下的温度数据；/>表示任意时刻下温度数据对森林火灾的第一影响程度。
需要说明的是，图3中对于湿度数据的取值范围每次减少5，对森林火灾的影响参数每次增加4，直到湿度数据值小于等于30时影响参数达到最大值，后续不随着湿度数据的减少而减少。当湿度数据小于等于30或湿度数据大于70时，对森林火灾的影响程度不变，为一个定值，湿度数据在30-70％时逐级递减，利用归一化将湿度数据变化与对森林火灾的影响程度变得平滑，因为对森林火灾的影响程度随湿度数据减少而增加，所以为了使其成正相关，用1减去归一化后的值可以得到每个湿度数据下对森林火灾的影响程度，且对森林火灾的影响程度最大值为1。
具体的，湿度数据对森林火灾的第一影响程度为：
；
式中，表示任意时刻下的湿度数据；/>表示任意时刻下湿度数据对森林火灾的第一影响程度。
需要说明的是，图4中对于风速数据的取值与对森林火灾的影响程度成为正相关关系，当风速数据在0.3-20.7m/s时影响程度总体变大，当风速数据小于0.3或大于20.7时影响程度保持不变；当风速数据小于0.3或风速数据大于20.7时，对森林火灾的影响程度不变，为一个定值，风速数据在0.3-20.7m/s时增长，利用归一化将风速数据变化与对森林火灾的影响程度变得平滑，可以得到每个风速数据下对森林火灾的影响程度，且对森林火灾的影响程度最大值为1。
具体的，风速数据对森林火灾的第一影响程度为：
；
式中，表示任意时刻下的风速数据；/>表示任意时刻下风速数据对森林火灾的第一影响程度。
至此，获取三种环境数据对森林火灾的第一影响程度。
步骤S004：根据不同位置传感器的每种环境数据得到传感器记录温度数据和森林总体每种环境数据的相似程度；根据每个传感器的每种环境数据的变化速率得到每个传感器记录每种环境数据对森林火灾的影响参数。
本实施例现以温度数据对森林火灾的影响进行叙述。
1. 获取每个传感器记录温度数据和森林总体温度数据的相似程度。
需要说明的是，由于火灾影响因素较为复杂，而温度数据、湿度数据、风速数据只是其中较为明显的影响因素，还有较为复杂的生态影响，大气影响和地理环境影响等因素，所以固定环境数据对火灾的影响程度判断火灾发生风险不够准确，本步骤通过观察不同位置传感器记录的环境数据变化情况判断对森林火灾风险的影响。
由于不同的森林环境下易发生森林火灾的温度是不同的，森林地理环境错综复杂，所以不同区域（即不同传感器位置）的温度数据随时间变化情况可能不同，而某森林区域温度数据（某传感器数据）变化情况和森林整体温度变化情况差异越大时，该森林区域不属于森林正常环境温度变化情况的概率越大，则该森林区域的温度数据异常的概率越大，即发生森林火灾的概率越大。
预设一个参数，其中本实施例以/>例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，准备组温度传感器，放置于森林不同区域，并保证一天均等记录/>个时刻下的温度数据；则采集/>组温度传感器每个采集时刻的温度数据的均值，可作为每个采集时刻下的森林总体温度数据，其第/>个采集时刻下的森林总体温度数据计算表达式为：
；
式中，表示第/>个采集时刻下的森林总体温度数据；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示温度传感器的总数量。
同理，得到每个采集时刻下的森林总体温度数据。
每个温度传感器记录的温度数据变化情况和森林总体温度数据变化情况的相似程度越小，则该传感器记录的温度数据异常的概率越大；则根据不同位置传感器的温度数据和每个采集时刻下的森林总体温度数据得到传感器记录温度数据和森林总体温度数据的相似程度：
；
式中，表示第/>个传感器记录温度数据和森林总体温度数据的相似程度；表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个采集时刻下的森林总体温度数据；/>表示预设参数。
同理，获得每个传感器记录温度数据和森林总体温度数据的相似程度。
需要说明的是，每个温度传感器记录温度数据（温度变化情况）和森林总体温度数据(森林总体温度变化情况)的相似程度越高，则说明该温度传感器记录的温度数据属于正常温度变化的概率越大，相似程度越低，则说明该传感器记录的温度数据是异常温度变化的概率越大，发生森林火灾的概率越高。
至此，获得每个传感器记录温度数据和森林总体温度数据的相似程度。
2.获取每个传感器记录温度数据对森林火灾的影响参数。
需要说明的是，温度数据变化对火灾的影响程度是显著的，温度数据变化越大，发生火灾概率越大，且环境参数在往对火灾影响程度低的方向变化时，则其对森林火灾影响程度也会变小的，所以本步骤根据温度数据的变化速率和变化大小得到温度数据对森林火灾的影响参数。
本实施例是固定时刻采集温度数据，所以可以用温度数据的波动程度表示温度的变化情况，如果波动程度较小，则说明温度数据在固定时段的变化情况较为稳定，数值在温度的均值附近波动，反之波动程度越大，说明温度数据在固定时段的变化情况不稳定，则发生森林火灾的概率会较大。
具体的，第个传感器记录温度数据的离散程度的计算表达式为：
；
式中，表示第/>个传感器记录温度数据的离散程度；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个温度传感器所有采集时刻记录的温度数据的均值；/>表示预设参数。
通过计算每个传感器记录温度数据的离散程度得到温度数据变化速度对森林火灾影响参数，因为采集温度数据时间一定，则温度数据离散程度越大，说明采集到的数温度据差异性较大，固定时间段的温度数据差异性越大，则说明温度数据的变化速度越快，温度数据变化速度越快，发生森林火灾的概率越大；
需要说明的是，考虑温度数据波动情况下考虑温度数据的波动范围。当温度数据朝着较低的方向快速变化时，相较与森林总体体温度数据更低时，对于森林火灾的影响程度会更小，即若某传感器记录的温度数据均值小于森林总体体温度数据均值时，则发生森林火灾的概率会较小，且越小于森林总体体温度数据均值，则说明该传感器记录的温度数据变化时对森林火灾的影响程度越小。
具体的，第个传感器记录温度数据的差异因子的计算表达式为：
；
式中，表示第/>个传感器记录温度数据的差异因子；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个采集时刻下的森林总体温度数据；表示预设参数。
传感器记录温度数据的差异因子越小，则说明传感器记录的温度数据在变化时温度数据越有可能是在向更低的温度变化，则对森林火灾的影响程度越小。
需要注意的是，得到第个传感器记录温度数据的差异因子可能得到数值为负数，则需要对其进行线性归一化将其转化至[0,1]区间，得到归一化后的第/>个传感器记录温度数据的差异因子/>。
需要说明的是，若温度数据波动较小，且温度数据变化区间也较小，但在温度传感器记录某时刻温度数据变化远大于其他时刻的温度数据变化，则该时刻可能存在影响森林火灾的重要因素，但当其森林总体温度数据变化区间和温度数据波动情况都较小时，则该传感器温度数据会被判断为对火灾影响较小的温度数据，因此可以通过温度传感器记录的最高温度数据与其温度变化均值的差异大小来判断该处传感器记录温度数据对森林火灾的影响因子。
具体的，将第个温度传感器在每个采集时刻记录的温度数据和第/>个温度传感器记录的温度数据均值的差值绝对值的最大值，作为第/>个传感器记录温度数据对森林火灾的影响因子，其计算表达式为：
；
式中，表示第/>个传感器记录温度数据对森林火灾的影响因子；/>表示第个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据，其中/>的取值范围为/>；/>表示预设参数，max表示取最大值。
将每个温度传感器在每个采集时刻记录的温度数据和该温度传感器记录的温度数据均值的差值绝对值的最大值作为差异程度，差异程度越大，则说明该传感器记录的温度数据存在某时刻温度数据变化数值远大于其他时刻温度数据变化的概率越大，则发生森林火灾的概率越高。
将第个传感器记录温度数据对森林火灾的影响因子线性归一化得到归一化后的传感器记录温度数据对森林火灾的影响因子/>。
综上所述，根据第个传感器记录温度数据的离散程度、归一化后的第/>个传感器记录温度数据的差异因子和归一化后的第/>个传感器记录温度数据对森林火灾的影响因子得到第/>个传感器记录温度数据对森林火灾的影响参数。
同理，获得每个传感器记录温度数据对森林火灾的影响参数。
步骤S005：获取每个传感器记录每种环境数据对森林火灾的第二影响程度；获取每个传感器记录每种环境数据的总影响程度，根据每个传感器记录每种环境数据的总影响程度对传感器记录的环境数据进行分类存储。
根据每个传感器记录温度数据对森林火灾的影响参数、每个传感器记录温度数据和森林总体温度数据的相似程度和每个传感器记录温度数据对森林火灾的第一影响程度得到每个传感器记录温度数据对森林火灾的第二影响程度，则第个传感器记录温度数据对森林火灾的第二影响程度的计算表达式为：
；
式中，表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器所有采集时刻记录温度数据对森林火灾的第一影响程度的均值；表示第/>个传感器记录温度数据和森林总体温度数据的相似程度；/>是第/>个传感器记录温度数据对森林火灾的影响参数。
其中的目的是将第/>个传感器记录温度数据对森林火灾的第二影响程度取值范围从-1到1转化为[0,1]区间。
同理，每个传感器记录温度数据对森林火灾的第二影响程度。
综上所述，同理可获得每个传感器记录湿度数据对森林火灾的第二影响程度和每个传感器记录风速数据对森林火灾的第二影响程度/>。
根据每个传感器记录每种环境数据对森林火灾的第二影响程度结合三种环境数据对森林火灾的影响程度的权重得到每个传感器记录每种环境数据的总影响程度；则第个传感器记录每种环境数据的总影响程度计算表达式为：
；
式中，第/>个传感器记录每种环境数据的总影响程度；/>表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器记录湿度数据对森林火灾的第二影响程度；/>第/>个传感器记录风速数据对森林火灾的第二影响程度；/>为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值。
同理，获得每个传感器记录每种环境数据的总影响程度。
预设一个阈值参数，其中本实施例以/>例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
对于任意一个传感器记录每种环境数据的总影响程度进行阈值判断，若该传感器记录每种环境数据的总影响程度大于等于阈值参数，则该传感器记录每种环境数据为高风险数据类别；反之，则该传感器记录每种环境数据为低风险数据类别；由此将所有传感器记录每种环境数据进行分类，得到分类后的每种环境数据，将分类后的每种环境数据分别存储。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种用于环境智能在线检测的传感器数据存储方法，其特征在于，该方法包括以下步骤：
获取每种环境数据，所述每种环境数据包括湿度数据、气温数据和风速数据；
获取每种环境数据在不同的取值范围和与其对应的影响指数；根据每种环境数据对应的最大影响指数得到每种环境数据对森林火灾的影响程度的权重；
根据每种环境数据在不同的取值范围和与其对应的影响指数得到每种环境数据对森林火灾的第一影响程度；
获取每个采集时刻下每种环境数据的森林总体数据；根据不同位置传感器的每种环境数据和其在每个采集时刻下的森林总体数据得到每个传感器记录每种环境数据和其对应的森林总体数据的相似程度；根据每个传感器的每种环境数据的变化速率得到每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子；根据每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子得到每个传感器记录每种环境数据对森林火灾的影响参数；
根据每种环境数据对森林火灾的第一影响程度、每个传感器记录每种环境数据和其对应的森林总体数据的相似程度和每个传感器记录每种环境数据对森林火灾的影响参数得到每个传感器记录每种环境数据对森林火灾的第二影响程度；根据每个传感器记录每种环境数据对森林火灾的第二影响程度结合每种环境数据对森林火灾的影响程度的权重得到每个传感器记录所有种类的环境数据的总影响程度；根据每个传感器记录所有种类的环境数据的总影响程度对传感器记录的环境数据进行分类存储；
所述根据每个传感器的每种环境数据的变化速率得到每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子，包括的具体步骤如下：
第个传感器记录温度数据的离散程度的计算表达式为：
式中，表示第/>个传感器记录温度数据的离散程度；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个温度传感器所有采集时刻记录的温度数据的均值；/>表示预设参数；
第个传感器记录温度数据的差异因子的计算表达式为：
式中，表示第/>个传感器记录温度数据的差异因子；/>表示第/>个采集时刻下气温数据的森林总体数据；
对第个传感器记录温度数据的差异因子进行线性归一化将其转化至[0,1]区间，得到归一化后的第/>个传感器记录温度数据的差异因子/>；
将第个温度传感器在每个采集时刻记录的温度数据和第/>个温度传感器记录的温度数据均值的差值绝对值的最大值，作为第/>个传感器记录温度数据对森林火灾的影响因子，其计算表达式为：
式中，表示第/>个传感器记录温度数据对森林火灾的影响因子；/>表示第/>个温度传感器在第/>个采集时刻记录的温度数据，其中/>的取值范围为/>；max表示取最大值；
将第个传感器记录温度数据对森林火灾的影响因子线性归一化得到归一化后的传感器记录温度数据对森林火灾的影响因子/>；
同理，得到每个传感器记录风速数据的离散程度、差异因子和对森林火灾的影响因子，以及每个传感器记录湿度数据的离散程度、差异因子和对森林火灾的影响因子；
所述根据每个传感器记录每种环境数据的离散程度、差异因子和对森林火灾的影响因子得到每个传感器记录每种环境数据对森林火灾的影响参数，包括的具体步骤如下：
根据第个传感器记录温度数据的离散程度、归一化后的第/>个传感器记录温度数据的差异因子和归一化后的第/>个传感器记录温度数据对森林火灾的影响因子得到第/>个传感器记录温度数据对森林火灾的影响参数/>；同理，得到每个传感器记录风速数据对森林火灾的影响参数，以及每个传感器记录湿度数据对森林火灾的影响参数；
所述根据每个传感器记录每种环境数据对森林火灾的第二影响程度结合每种环境数据对森林火灾的影响程度的权重得到每个传感器记录所有种类的环境数据的总影响程度，包括的具体步骤如下：
第个传感器记录所有种类的环境数据的总影响程度计算表达式为：
式中，第/>个传感器记录所有种类的环境数据的总影响程度；/>表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器记录湿度数据对森林火灾的第二影响程度；/>第/>个传感器记录风速数据对森林火灾的第二影响程度；为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值；
所述获取每个采集时刻下每种环境数据的森林总体数据，包括的具体步骤如下：
准备组温度传感器，放置于森林不同区域，并保证一天均等记录/>个时刻下的温度数据；则采集/>组温度传感器每个采集时刻的温度数据的均值，作为每个采集时刻下气温数据的森林总体数据；同理，得到每个采集时刻下湿度数据的森林总体数据，以及每个采集时刻下风速数据的森林总体数据。
2.根据权利要求1所述一种用于环境智能在线检测的传感器数据存储方法，其特征在于，所述根据每种环境数据对应的最大影响指数得到每种环境数据对森林火灾的影响程度的权重，包括的具体步骤如下：
温度数据和湿度数据对于森林火灾的最大影响指数为；风速数据对于森林火灾的最大影响指数为/>；则三种环境数据对森林火灾的影响程度的权重为：
式中，为温度数据影响的权值；/>为湿度数据影响的权值；/>为风速数据影响的权值。
3.根据权利要求1所述一种用于环境智能在线检测的传感器数据存储方法，其特征在于，所述根据每种环境数据在不同的取值范围和与其对应的影响指数得到每种环境数据对森林火灾的第一影响程度，包括的具体步骤如下：
温度数据对森林火灾的第一影响程度为：
式中，表示任意时刻下的温度数据；/>表示任意时刻下温度数据对森林火灾的第一影响程度；
湿度数据对森林火灾的第一影响程度为：
式中，表示任意时刻下的湿度数据；/>表示任意时刻下湿度数据对森林火灾的第一影响程度；
风速数据对森林火灾的第一影响程度为：
式中，表示任意时刻下的风速数据；/>表示任意时刻下风速数据对森林火灾的第一影响程度。
4.根据权利要求1所述一种用于环境智能在线检测的传感器数据存储方法，其特征在于，所述根据不同位置传感器的每种环境数据和其在每个采集时刻下的森林总体数据得到每个传感器记录每种环境数据和其对应的森林总体数据的相似程度，包括的具体步骤如下：
第个传感器记录温度数据和其对应的森林总体数据的相似程度的计算表达式为：
式中，表示第/>个传感器记录温度数据和其对应的森林总体数据的相似程度；表示第/>个温度传感器在第/>个采集时刻记录的温度数据；/>表示第/>个采集时刻下气温数据的森林总体数据；/>表示预设参数；
同理，获得每个传感器记录风速数据和其对应的森林总体数据的相似程度，以及每个传感器记录湿度数据和其对应的森林总体数据的相似程度。
5.根据权利要求1所述一种用于环境智能在线检测的传感器数据存储方法，其特征在于，所述根据每种环境数据对森林火灾的第一影响程度、每个传感器记录每种环境数据和其对应的森林总体数据的相似程度和每个传感器记录每种环境数据对森林火灾的影响参数得到每个传感器记录每种环境数据对森林火灾的第二影响程度，包括的具体步骤如下：
第个传感器记录温度数据对森林火灾的第二影响程度的计算表达式为：
式中，表示第/>个传感器记录温度数据对森林火灾的第二影响程度；/>表示第/>个传感器所有采集时刻记录温度数据对森林火灾的第一影响程度的均值；/>表示第/>个传感器记录温度数据和其对应的森林总体数据的相似程度；/>是第/>个传感器记录温度数据对森林火灾的影响参数；
同理，得到每个传感器记录记录湿度数据对森林火灾的第二影响程度，以及每个传感器记录记录风速数据对森林火灾的第二影响程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979693.2A CN116701409B (zh) | 2023-08-07 | 2023-08-07 | 一种用于环境智能在线检测的传感器数据存储方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979693.2A CN116701409B (zh) | 2023-08-07 | 2023-08-07 | 一种用于环境智能在线检测的传感器数据存储方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701409A CN116701409A (zh) | 2023-09-05 |
| CN116701409B true CN116701409B (zh) | 2023-11-03 |
Family
ID=87831504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310979693.2A Active CN116701409B (zh) | 2023-08-07 | 2023-08-07 | 一种用于环境智能在线检测的传感器数据存储方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701409B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2353619C (en) * | 1998-12-08 | 2009-06-02 | Bayer Aktiengesellschaft | Polycarbonate molding materials exhibiting improved mechanical properties |
| CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
| CN105678419A (zh) * | 2016-01-05 | 2016-06-15 | 天津大学 | 细粒度的森林火灾概率预报系统 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
| WO2021146782A1 (pt) * | 2020-01-24 | 2021-07-29 | Do Carmo Jose Roberto | Composição retardante e bloqueadora do fogo para uso em incêndios florestais, e processo de preparo resultante |
| CN113298311A (zh) * | 2021-06-08 | 2021-08-24 | 平安国际智慧城市科技股份有限公司 | 森林火灾危险等级预测方法、装置、设备及可读存储介质 |
| CN114120565A (zh) * | 2021-11-26 | 2022-03-01 | 燕山大学 | 一种森林火情预警方法 |
| CN114186900A (zh) * | 2022-02-17 | 2022-03-15 | 北京科技大学 | 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 |
| CN114219256A (zh) * | 2021-12-08 | 2022-03-22 | 深圳数研锦瀚智慧科技有限公司 | 基于多因素的林火风险等级预测方法、装置及存储介质 |
| CN115062706A (zh) * | 2022-06-17 | 2022-09-16 | 中国电信股份有限公司 | 森林火灾监测方法及装置、存储介质、电子设备 |
| CN116246407A (zh) * | 2023-05-04 | 2023-06-09 | 浙江农林大学 | 一种基于人工智能的农林区域火灾预警监管系统 |
-
2023
- 2023-08-07 CN CN202310979693.2A patent/CN116701409B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2353619C (en) * | 1998-12-08 | 2009-06-02 | Bayer Aktiengesellschaft | Polycarbonate molding materials exhibiting improved mechanical properties |
| CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| CN105678419A (zh) * | 2016-01-05 | 2016-06-15 | 天津大学 | 细粒度的森林火灾概率预报系统 |
| WO2021146782A1 (pt) * | 2020-01-24 | 2021-07-29 | Do Carmo Jose Roberto | Composição retardante e bloqueadora do fogo para uso em incêndios florestais, e processo de preparo resultante |
| CN113159362A (zh) * | 2020-12-10 | 2021-07-23 | 西安天和防务技术股份有限公司 | 一种森林火灾等级的预测方法及装置 |
| CN113298311A (zh) * | 2021-06-08 | 2021-08-24 | 平安国际智慧城市科技股份有限公司 | 森林火灾危险等级预测方法、装置、设备及可读存储介质 |
| CN114120565A (zh) * | 2021-11-26 | 2022-03-01 | 燕山大学 | 一种森林火情预警方法 |
| CN114219256A (zh) * | 2021-12-08 | 2022-03-22 | 深圳数研锦瀚智慧科技有限公司 | 基于多因素的林火风险等级预测方法、装置及存储介质 |
| CN114186900A (zh) * | 2022-02-17 | 2022-03-15 | 北京科技大学 | 基于云模型和模糊贝叶斯网络的火灾风险评估方法及装置 |
| CN115062706A (zh) * | 2022-06-17 | 2022-09-16 | 中国电信股份有限公司 | 森林火灾监测方法及装置、存储介质、电子设备 |
| CN116246407A (zh) * | 2023-05-04 | 2023-06-09 | 浙江农林大学 | 一种基于人工智能的农林区域火灾预警监管系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多源数据和机器学习方法的大兴安岭地区雷击火驱动因子及火险预测模型;焦强英 等;林业科学;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701409A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111627181B (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
| CN115600932B (zh) | 一种基于大数据的文物储藏环境异常评估方法 | |
| CN115987295B (zh) | 基于物联网的农作物监控数据高效处理方法 | |
| CN116431975A (zh) | 一种数据中心的环境监测方法及系统 | |
| CN110794485A (zh) | 基于集成学习的强对流天气持续时间预报方法 | |
| CN116612598B (zh) | 一种基于物联网的多点监控式森林防火监测系统 | |
| CN103155836B (zh) | 一种预测林业有害生物发生程度的方法 | |
| CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
| CN116701409B (zh) | 一种用于环境智能在线检测的传感器数据存储方法 | |
| CN114548812A (zh) | 一种森林草原火灾风险预报决策方法、装置及计算机设备 | |
| CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
| CN111460796B (zh) | 一种基于词网络的偶发敏感词发现方法 | |
| CN115034693B (zh) | 基于物联网的生物信息数据安全管理方法、系统及存储介质 | |
| CN116628519A (zh) | 一种生态脆弱区识别方法及系统 | |
| CN115659323A (zh) | 一种基于信息熵理论结合卷积神经网络的入侵检测方法 | |
| CN114238287A (zh) | 基于监测装置运行状态的油色谱监测数据质量评价方法 | |
| CN117788250B (zh) | 一种智能微型消防站管理系统及方法 | |
| CN117407728B (zh) | 一种用于干细胞的存储环境实时监测方法及系统 | |
| CN111382147A (zh) | 一种气象数据缺失插补方法和系统 | |
| CN117370714B (zh) | 一种代表站定量确定方法 | |
| CN210782343U (zh) | 屋顶绿化生态服务功能评估实验场 | |
| CN117218535B (zh) | 一种基于sfa的长期森林覆盖变化检测方法 | |
| CN115290135B (zh) | 一种应用于气膜系统的智能防火监测方法及系统 | |
| Li et al. | Research on Field Fire Prediction Based on Improved Grey Correlation Prediction Based on BP Neural Network | |
| CN117232455A (zh) | 一种基于温湿度数据估算叶片等水分厚度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |